CN113538070B - 用户生命价值周期检测方法、装置和计算机设备 - Google Patents
用户生命价值周期检测方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN113538070B CN113538070B CN202110993108.5A CN202110993108A CN113538070B CN 113538070 B CN113538070 B CN 113538070B CN 202110993108 A CN202110993108 A CN 202110993108A CN 113538070 B CN113538070 B CN 113538070B
- Authority
- CN
- China
- Prior art keywords
- user
- information
- behavior data
- user account
- type
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 75
- 238000013145 classification model Methods 0.000 claims abstract description 70
- 230000006399 behavior Effects 0.000 claims description 283
- 238000000034 method Methods 0.000 claims description 49
- 238000007781 pre-processing Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 13
- 230000003993 interaction Effects 0.000 claims description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims 1
- 239000010931 gold Substances 0.000 claims 1
- 229910052737 gold Inorganic materials 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种用户生命价值周期检测方法、装置、计算机设备和存储介质。获取用户账号对应的行为数据；将该行为数据输入训练好的分类模型，得到用户账号对应的用户类型；分类模型是基于第一用户类型的历史行为数据和第二用户类型的历史行为数据训练得到；若用户类型为第一用户类型，根据预设属性值和预设时段内属于第一用户类型的用户数量，确定用户账号对应的用户的生命价值周期LTV；若该用户类型为第二用户类型，将用户账号对应的行为数据输入到训练好的预测模型，得到第二类用户的LTV，预测模型是基于属于第二用户类型的历史行为数据训练得到。利用用户的历史行为数据确定用户类型，再针对不同用户类型分别确定用户LTV，减小了用户LTV检测的误差。
Description
本申请要求于2020年10月30日提交中国专利局、申请号2020111888553，发明名称为“用户生命价值周期检测方法、装置和计算机设备”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及移动应用技术领域，特别是涉及一种用户生命价值周期检测方法、装置、计算机设备和存储介质。
背景技术
随着移动设备的全方面覆盖，移动应用市场得到了迅速的发展。目前为止AppStore和Google Play Store的移动应用都有上百万个。尽管移动应用数量激增，但是用户实际使用的应用数量却在缓慢下降，数据显示用户在更少的应用上花费更多的时间。除了留住现有用户，还需要使用高效、精准的推广方法获取新用户。对于一款应用来说，获取新用户的方式很多，如：广告投放、商城推荐、好友推荐等，其中广告投放获得的新用户占全部新用户的70％左右。广告投放需要可控的成本，合理的选择渠道，精准的检测用户LTV(Lifetime Value，生命周期价值)，从而最大化投入产出比。
传统的用户LTV检测方法检测的用户LTV误差较大。
发明内容
基于此，有必要针对上述技术问题，提供一种能够准确检测用户生命价值周期的用户生命价值周期检测方法、装置、计算机设备和存储介质。
一种用户生命价值周期检测方法，该方法包括：
获取用户账号对应的行为数据；
将该用户账号对应的行为数据输入训练好的分类模型，得到该用户账号对应的用户类型；该分类模型是基于第一用户类型的历史行为数据和第二用户类型的历史行为数据训练得到；
若该用户类型为第一用户类型，根据预设属性值和预设时段内属于第一用户类型的用户数量，确定该用户账号对应的用户的生命价值周期LTV；
若该用户类型为第二用户类型，将该用户账号对应的行为数据输入到训练好的预测模型，得到第二类用户的LTV，该预测模型是基于属于第二用户类型的历史行为数据以及第二用户类型用户账号对应的用户生命价值周期训练得到。
在其中一个实施例中，用户账号对应的行为数据包括用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息；
获取用户账号对应的行为数据，包括：获取用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息；
获取用户账号对应的行为数据之后还包括：对用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息进行预处理，得到预处理后的用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息；
将用户账号对应的行为数据输入训练好的分类模型，得到用户账号对应的用户类型，包括：将预处理后的用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息输入训练好的分类模型，得到用户账号对应的用户类型。
在其中一个实施例中，对用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息进行预处理，得到预处理后的用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息，包括：将该用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息按照数值型和非数值型进行分类，得到数值型的行为数据和非数值型的行为数据；将该非数值型的行为数据进行特征编码，得到编码后的非数值型的行为数据；将该数值型的用户账号的行为数据和编码后的非数值型的用户账号的行为数据进行合并，得到预处理后的用户账号的行为数据。
在其中一个实施例中，该分类模型的训练过程包括：将属于第一用户类型的样本用户账号及对应的历史行为数据作为负样本，以及将属于第二用户类型的样本用户账号及对应的历史行为数据作为正样本；根据该正样本和负样本对初始分类模型进行训练，得到训练好的分类模型。
在其中一个实施例中，该预测模型的训练过程包括：获取训练样本，该训练样本包括属于第二用户类型的样本用户账号对应的历史行为数据及该样本用户账号对应的用户生命价值周期，均方根误差作为损失函数，得到训练好的预测模型。
在其中一个实施例中，若用户类型为第二用户类型，将用户账号对应的行为数据输入到训练好的预测模型，得到第二类用户的LTV，还包括：若用户类型为第二用户类型，将用户账号对应的行为数据输入预设预测函数进行拟合，得到第二类用户的LTV。
在其中一个实施例中，根据预设属性值和预设时段内属于第一用户类型的用户数量，确定该用户账号对应的用户的生命价值周期LTV，包括：根据预设属性值和预设时段内属于第一用户类型的用户数量相乘，得到该用户账号对应的用户的生命价值周期LTV。
一种用户生命价值周期预测装置，该装置包括：
获取模块，用于获取用户账号对应的行为数据；
分类模块，用于将该用户账号的行为数据输入训练好的分类模型，得到该用户账号对应的用户类型；该分类模型是基于第一用户类型的历史行为数据和第二用户类型的历史行为数据训练得到；
第一确定模块，用于若该用户类型为第一用户类型，根据预设属性值和预设时段内属于第一用户类型的用户数量，确定该用户账号对应的用户的生命价值周期LTV；
第二确定模块，用于若该用户类型为第二用户类型，将该用户账号对应的行为数据输入到训练好的预测模型，得到第二类用户的LTV，该预测模型是基于属于第二用户类型的历史行为数据以及第二用户类型用户账号对应的用户生命价值周期训练得到。
一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行该计算机程序时实现以下步骤：
一种用户生命价值周期检测方法，该方法包括：
获取用户账号对应的行为数据；
将该用户账号的行为数据输入训练好的分类模型，得到该用户账号对应的用户类型；该分类模型是基于第一用户类型的历史行为数据和第二用户类型的历史行为数据训练得到；
若该用户类型为第一用户类型，根据预设属性值和预设时段内属于第一用户类型的用户数量，确定该用户账号对应的用户的生命价值周期LTV；
若该用户类型为第二用户类型，将该用户账号对应的行为数据输入到训练好的预测模型，得到第二类用户的LTV，该预测模型是基于属于第二用户类型的历史行为数据以及第二用户类型用户账号对应的用户生命价值周期训练得到。
一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以下步骤：
一种用户生命价值周期检测方法，该方法包括：
获取用户账号对应的行为数据；
将该用户账号的行为数据输入训练好的分类模型，得到该用户账号对应的用户类型；该分类模型是基于第一用户类型的历史行为数据和第二用户类型的历史行为数据训练得到；
若该用户类型为第一用户类型，根据预设属性值和预设时段内属于第一用户类型的用户数量，确定该用户账号对应的用户的生命价值周期LTV；
若该用户类型为第二用户类型，将该用户账号对应的行为数据输入到训练好的预测模型，得到第二类用户的LTV，该预测模型是基于属于第二用户类型的历史行为数据以及第二用户类型用户账号对应的用户生命价值周期训练得到。
上述用户生命价值周期检测方法、装置、计算机设备和存储介质，获取用户账号对应的行为数据；将用户账号的行为数据输入训练好的分类模型，得到用户账号对应的用户类型；分类模型是基于第一用户类型的历史行为数据和第二用户类型的历史行为数据训练得到；若用户类型为第一用户类型，根据预设属性值和预设时段内属于第一用户类型的用户数量，确定用户账号对应的用户的生命价值周期LTV；若该用户类型为第二用户类型，将用户账号对应的行为数据输入到训练好的预测模型，得到第二类用户的LTV，预测模型是基于属于第二用户类型的历史行为数据以及第二用户类型用户账号对应的用户生命价值周期训练得到。利用用户的历史行为数据确定用户类型，再针对不同用户类型分别确定用户LTV，减小了用户LTV检测的误差。
附图说明
图1为一个实施例中用户生命价值周期检测方法的应用环境图；
图2为一个实施例中用户生命价值周期检测方法的流程示意图；
图3为一个实施例中用户生命价值周期检测方法的逻辑示意图；
图4为另一个实施例中用户生命价值周期检测方法的逻辑示意图；
图5为一个实施例中用户生命价值周期检测装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的用户生命价值周期检测方法，可以应用于如图1所示的应用环境中。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。
在一个实施例中，如图2所示，提供了一种用户生命价值周期检测方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤202，获取用户账号对应的行为数据。
具体地，用户账号对应的行为数据包括用户账号的基本信息以及用户账号在对应的应用场景中操作服务所产生的行为数据，用户账号对应的行为数据储存在数据中心的数据库中。可选的，用户账号对应的行为数据可以包括用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息等，终端通过获取接口定时从数据中心的数据库中获取用户账号对应的行为数据，这里的定时可以为新用户账号注册后的7天、10天、15天或者其他天数，在此不做限定。本申请实施例中的应用场景可以是游戏场景或者其他业务场景，比如视频会议业务场景、视频播放业务场景等其他业务场景，本申请实施例中的用户账号的行为数据是以游戏业务场景为实例进行说明，其他业务场景中的用户账号的行为数据也同样可以适用于本申请实施例所提供的用户生命价值周期检测方法。
步骤204，将该用户账号的行为数据输入训练好的分类模型，得到该用户账号对应的用户类型；该分类模型是基于第一用户类型的历史行为数据和第二用户类型的历史行为数据训练得到。
具体地，训练好的分类模型用于根据用户账号对应的行为数据确定用户账号对应的用户类型，这里的用户类型包括第一用户类型和第二用户类型，第一用户类型可以为非付费用户，第二用户类型可以为付费用户，分类模型是将第一用户类型的历史行为数据和第二类用户的行为数据作为训练样本，将用户账号对应的历史行为数据作为特征，通过多次有放回的随机抽样操作，得到多个训练样本的训练集，对于每个训练集，从用户账号对应的行为数据的特征中随机选择k个特征，选择最佳分割特征作为决策树的节点建立决策树模型，建立有多个决策树模型的随机森林模型，d为用户账号对应的行为数据的特征值的个数，k一般为以2为底的特征值个数的对数值。
步骤206，若该用户类型为该第一用户类型，根据预设属性值和预设时段内属于第一用户类型的用户数量，确定该用户账号对应的用户的生命价值周期LTV。
具体地，预设属性值为预设时间段内第一用户类型的平均付费值，可以为非付费用户的平均付费值，预设时间段是指用户账号对应的行为数据的获取的时间段，可以为7天、10天、30天或者其他天数，在此不做限定，根据第一用户类型的平均付费值和预设时间段内使用上述训练好的分类模型分类为第一用户类型的用户数量进行数学运算，得到第一用户类型的生命价值周期，也就是非付费用户的期望付费值。可选的，可以根据第一用户类型的平均付费值与每日分类为第一用户类型的用户数量相乘得到第一用户类型的生命价值周期，也可以根据第一用户类型的平均付费值与每日分类为第一用户类型的用户数量相乘之后再乘以一个系数得到第一用户类型的用户生命价值周期。
在一种可能的实现方式中，将非付费用户的生命价值周期直接设置为0，由于非付费用户的付费值近似为0，当终端检测到用户类型为第一用户类型时，直接输出第一用户类型的生命价值周期为0，用以补齐用户生命价值周期检测方法的误差，保证用户生命价值周期检测方法完整性与准确性。
步骤208，若该用户类型为该第二用户类型，将该用户账号对应的行为数据输入到训练好的预测模型，得到第二类用户的LTV，该预测模型是基于属于第二用户类型的历史行为数据以及第二用户类型用户账号对应的用户生命价值周期训练得到。
具体地，训练好的预测模型用于根据分类为第二用户类型对应的历史行为数据作为训练样本，第二用户类型的生命价值周期作为训练目标，通过将第二用户类型的历史行为数据的属性分割来构建回归树，训练得到多棵回归树，每棵树的叶子节点对应一个分数，最后将每个叶子节点对应的分数相加就得到第二用户类型的生命价值周期，也就是付费用户的付费值。上述用户生命价值周期检测方法中，获取用户账号对应的行为数据；将用户账号的行为数据输入训练好的分类模型，得到用户账号对应的用户类型；分类模型是基于第一用户类型的历史行为数据和第二用户类型的历史行为数据训练得到；若用户类型为第一用户类型，根据预设属性值和预设时段内属于第一用户类型的用户数量，确定用户账号对应的用户的生命价值周期LTV；若该用户类型为第二用户类型，将用户账号对应的行为数据输入到训练好的预测模型，得到第二类用户的LTV，预测模型是基于属于第二用户类型的历史行为数据以及第二用户类型用户账号对应的用户生命价值周期训练得到。利用用户的历史行为数据确定用户类型，再针对不同用户类型分别确定用户LTV，减小了用户LTV检测的误差。
在一个实施例中，获取用户账号对应的行为数据，包括：获取用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息；
获取用户账号对应的行为数据之后还包括：对用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息进行预处理，得到预处理后的用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息；
相应的，将用户账号对应的行为数据输入训练好的分类模型，得到用户账号对应的用户类型，包括：将预处理后的用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息输入训练好的分类模型，得到用户账号对应的用户类型。
其中，用户账号对应的行为数据包括用户账号的基本信息和用户账号对应的其他行为数据，其他行为数据可以是付费信息、社交信息、游戏行为信息及其对应的游戏信息等。其中，用户的基本信息可以为用户的国家、性别、年龄等，付费信息可以为用户在应用场景中操作对象时的支付金额、通过付费得到的礼包数量等付费相关的信息，社交信息可以为用户的好友数量、用户在应用场景中与好友或者应用场景中的公会中的其他用户的互动信息，游戏行为信息可以为在应用场景中对服务对象进行的操作，例如上线、游戏中的攻击行为或者视频播放中的观看付费视频等与操作服务相关的行为，游戏行为信息及其对应的游戏信息是指上线之后积分增加、游戏中攻击成功后获得金币、在视频播放中观看付费视频积分增加等与操作服务后产生的相关的信息。
具体地，终端获取到用户账号对应的行为数据之后，对用户账号对应的行为数据进行预处理，预处理是指对用户账号对应的行为特征进行规范化处理，规范化处理包括数据清洗和特征编码，数据清洗是指纠正获取到的用户账号对应的行为数据中的错误信息，删除重复信息，保证数据的一致性。特征编码是指将数据清洗后的用户账号对应的行为数据进行独热编码，例如用户账号对应的行为数据可以为用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息等，这些信息有些是数值型的数据，例如付费信息等，还有一些信息是非数值型的信息，例如社交信息、游戏行为信息及其对应的游戏信息等，可选的，预处理可以为将社交信息、游戏行为信息及其对应的游戏信息等非数值型的信息进行编码转换为数值型的信息。
在一种可能的实施方式中，得到预处理后的用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息之后，将预处理后的用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息输入训练好的分类模型，得到用户账号对应的用户类型。
在一个实施例中，对用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息进行预处理，得到预处理后的用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息，包括：将该用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息按照数值型和非数值型进行分类，得到数值型的行为数据和非数值型的行为数据；将该非数值型的行为数据进行特征编码，得到编码后的非数值型的行为数据；将该数值型的用户账号的行为数据和编码后的非数值型的用户账号的行为数据进行合并，得到预处理后的用户账号的行为数据。
具体地，对用户账号对应的行为数据进行预处理首先要对用户账号对应的行为数据进行清洗，然后进行分类，再对分类后的需要特征编码的用户账号对应的行为数据进行编码，使得所有的用户账号对应的行为数据变得规范。将用户账号对应的行为数据按照数值型和非数值型进行分类，比如将付费信息分类为数值型信息，将基本信息、社交信息、游戏行为及其对应的游戏信息等分类为非数值型信息，然后将非数值型信息进行独热编码，比如基本信息中性别特征男和女，可以将男进行独热编码得到对应的数值信息10，将女进行独热编码得到对应的数值信息01，独热编码后的信息只有一位有效，也就是只有一位为1，其他位都是0。将编码后的非数值型的用户账号的行为数据与数值型的用户账号的行为数据合并，得到预处理后的用户账号的行为数据，有利于预测模型中的特征相似度的计算。
在一个实施例中，该分类模型的训练过程包括：将属于第一用户类型的样本用户账号及对应的历史行为数据作为负样本，以及将属于第二用户类型的样本用户账号及对应的历史行为数据作为正样本；根据该正样本和负样本对初始分类模型进行训练，得到训练好的分类模型。
具体地，如图3所示，将用户账号对应的历史行为数据作为训练样本，F2-分数函数作为评估函数，训练得到分类模型。例如使用随机森林模型作为分类模型，将属于第一用户类型的样本用户账号及对应的历史行为数据作为负样本，将属于第二用户类型的样本用户账号及对应的历史行为数据作为正样本，F2-分数函数作为评估函数，在SageMaker服务中对随机森林模型的参数进行训练，得到训练好的随机森林模型，也可以用其他方式对分类模型进行训练，只要能够得到比较好的分类模型即可。
在一个实施例中，该预测模型的训练过程包括：获取训练样本，该训练样本包括属于第二用户类型的样本用户账号对应的历史行为数据及该样本用户账号对应的用户生命价值周期，均方根误差作为损失函数，得到训练好的预测模型。
具体地，如图3所示，在训练好的分类模型中对用户账号进行分类，确定用户账号对应的用户类型，当用户账号对应的用户类型为第二用户类型，获取第二用户类型的历史行为数据作为训练样本，将第二用户类型的用户生命价值周期作为训练目标，均方根误差作为损失函数，训练得到预测模型。例如，第二用户类型为付费用户，将付费用户7注册7天内的历史行为数据作为训练样本，付费用户的生命价值周期作为训练目标，使用均方根误差作为损失函数，也就是评估函数，使用XGBoost(eXtreme Gradient Boosting，梯度提升决策树)作为预测模型，在SageMaker服务中对XGBoost模型的参数进行训练，得到训练好的预测模型。
在一个实施例中，若用户类型为第二用户类型，将用户账号对应的行为数据输入到训练好的预测模型，得到第二类用户的LTV，还包括：若用户类型为第二用户类型，将用户账号对应的行为数据输入预设预测函数，得到第二类用户的LTV。
具体地，若用户类型为第二用户类型，将用户账号对应的行为数据输入预设预测函数计算得到第二类用户的LTV。预设预测函数是根据第二用户类型的样本用户账号对应的历史行为数据以及该样本用户账号对应的用户生命价值周期，通过回归分析，拟合得到用户LTV与行为数据间的时序变化函数，时序变化函数可以是线性回归方程，也可以是非线性回归方程。
在一种可能的实施方式中，根据第二用户类型的样本用户账号对应的历史行为数据以及该样本用户账号对应的用户生命价值周期，提取用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息与用户LTV之间的相关性特征，根据相关性特性回归分析得到预设预测函数。
在一个实施例中，该根据预设属性值和预设时段内属于第一用户类型的用户数量，确定该用户账号对应的用户的生命价值周期LTV，包括：根据预设属性值和预设时段内属于第一用户类型的用户数量相乘，得到该用户账号对应的用户的生命价值周期LTV。
具体地，如图4所示，预设属性值为预设时间段内第一用户类型的平均付费值，平均付费值是根据预设时间段内分类为第一用户类型的所有用户的实际总付费值和第一用户类型的用户数量相除得到的，然后根据每日第一用户类型的用户数量和第一用户类型的平均付费值进行数学运算得到第一用户类型的生命价值周期。例如，预设时间段为7天，获取用户账号在注册7天内的行为数据，将用户账号在注册7天内的行为数据输入训练好的分类模型中，确定用户账号的对应的用户类型，将第一用户类型的平均付费值与每日第一用户类型的用户数量相乘，得到第一用户类型对应的用户的生命价值周期LTV。
本实施例中，通过获取用户账号对应的行为数据；将用户账号的行为数据输入训练好的分类模型，得到用户账号对应的用户类型；分类模型是基于第一用户类型的历史行为数据和第二用户类型的历史行为数据训练得到；若用户类型为第一用户类型，根据预设属性值和预设时段内属于第一用户类型的用户数量，确定用户账号对应的用户的生命价值周期LTV；若该用户类型为第二用户类型，将用户账号对应的行为数据输入到训练好的预测模型，得到第二类用户的LTV，预测模型是基于属于第二用户类型的历史行为数据以及第二用户类型用户账号对应的用户生命价值周期训练得到。利用用户的历史行为数据确定用户类型，再针对不同用户类型分别确定用户LTV，减小了用户LTV检测的误差。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种生命价值周期检测装置，包括：获取模块502、分类模块504、第一确定模块506和第二确定模块508，其中：
获取模块502，用于获取用户账号对应的行为数据。
分类模块504，用于将该用户账号的行为数据输入训练好的分类模型，得到该用户账号对应的用户类型；该分类模型是基于第一用户类型的历史行为数据和第二用户类型的历史行为数据训练得到。
第一确定模块506，用于若该用户类型为该第一用户类型，根据预设属性值和预设时段内属于第一用户类型的用户数量，确定该用户账号对应的用户的生命价值周期LTV。
第二确定模块508，用于若该用户类型为该第二用户类型，将该用户账号对应的行为数据输入到训练好的预测模型，得到第二类用户的LTV，该预测模型是基于属于第二用户类型的历史行为数据以及第二用户类型用户账号对应的用户生命价值周期训练得到。
在一个实施例中，用户账号对应的行为数据包括用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息；获取模块502还用于获取用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息；生命价值周期检测装置还包括预处理模块，用于对用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息进行预处理，得到预处理后的用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息；分类模块504还用于将预处理后的用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息输入训练好的分类模型，得到用户账号对应的用户类型。
在一个实施例中，预处理模块还包括预处理分类模块，用于将该用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息按照数值型和非数值型进行分类，得到数值型的行为数据和非数值型的行为数据；预处理模块还包括预处理编码模块，用于将该非数值型的行为数据进行特征编码，得到编码后的非数值型的行为数据；预处理模块还包括预处理合并模块，用于将该数值型的用户账号的行为数据和编码后的非数值型的用户账号的行为数据进行合并，得到预处理后的用户账号的行为数据。
在一个实施例中，分类模块504还包括训练模块，用于将属于第一用户类型的样本用户账号及对应的历史行为数据作为负样本，以及将属于第二用户类型的样本用户账号及对应的历史行为数据作为正样本；分类模型的训练过程模块根据该正样本和负样本对初始分类模型进行训练，得到训练好的分类模型。
在一个实施例中，分类模块504还包括预测模型训练模块，用于获取训练样本，该训练样本包括属于第二用户类型的样本用户账号对应的历史行为数据及该样本用户账号对应的用户生命价值周期，均方根误差作为损失函数，得到训练好的预测模型。
在一个实施例中，第二确定模块508还用于若用户类型为第二用户类型，将用户账号对应的行为数据输入预设预测函数进行拟合，得到第二类用户的LTV。
在一个实施例中，第一确定模块506用于根据预设属性值和预设时段内属于第一用户类型的用户数量，确定该用户账号对应的用户的生命价值周期LTV，包括：根据预设属性值和预设时段内属于第一用户类型的用户数量相乘，得到该用户账号对应的用户的生命价值周期LTV。
关于用户生命价值周期检测装置的具体限定可以参见上文中对于用户生命价值周期检测方法的限定，在此不再赘述。上述用户生命价值周期检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种用户生命价值周期检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取用户账号对应的行为数据；
将该用户账号的行为数据输入训练好的分类模型，得到该用户账号对应的用户类型；该分类模型是基于第一用户类型的历史行为数据和第二用户类型的历史行为数据训练得到；
若该用户类型为该第一用户类型，根据预设属性值和预设时段内属于第一用户类型的用户数量，确定该用户账号对应的用户的生命价值周期LTV；
若该用户类型为该第二用户类型，将该用户账号对应的行为数据输入到训练好的预测模型，得到第二类用户的LTV，该预测模型是基于属于第二用户类型的历史行为数据以及第二用户类型用户账号对应的用户生命价值周期训练得到。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：用户账号对应的行为数据包括用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息；获取用户账号对应的行为数据，包括：获取用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息；获取用户账号对应的行为数据之后还包括：对用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息进行预处理，得到预处理后的用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息；将用户账号对应的行为数据输入训练好的分类模型，得到用户账号对应的用户类型，包括：将预处理后的用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息输入训练好的分类模型，得到用户账号对应的用户类型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息进行预处理，得到预处理后的用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息，包括：将该用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息按照数值型和非数值型进行分类，得到数值型的行为数据和非数值型的行为数据；将该非数值型的行为数据进行特征编码，得到编码后的非数值型的行为数据；将该数值型的用户账号的行为数据和编码后的非数值型的用户账号的行为数据进行合并，得到预处理后的用户账号的行为数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：该分类模型的训练过程包括：将属于第一用户类型的样本用户账号及对应的历史行为数据作为负样本，以及将属于第二用户类型的样本用户账号及对应的历史行为数据作为正样本；根据该正样本和负样本对初始分类模型进行训练，得到训练好的分类模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：预测模型的训练过程包括：获取训练样本，该训练样本包括属于第二用户类型的样本用户账号对应的历史行为数据及该样本用户账号对应的用户生命价值周期，均方根误差作为损失函数，得到训练好的预测模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：若用户类型为第二用户类型，将用户账号对应的行为数据输入到训练好的预测模型，得到第二类用户的LTV，还包括：若用户类型为第二用户类型，将用户账号对应的行为数据输入预设预测函数进行拟合，得到第二类用户的LTV。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据预设属性值和预设时段内属于第一用户类型的用户数量，确定该用户账号对应的用户的生命价值周期LTV，包括：根据预设属性值和预设时段内属于第一用户类型的用户数量相乘，得到该用户账号对应的用户的生命价值周期LTV。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取用户账号对应的行为数据；
将该用户账号的行为数据输入训练好的分类模型，得到该用户账号对应的用户类型；该分类模型是基于第一用户类型的历史行为数据和第二用户类型的历史行为数据训练得到；
若该用户类型为该第一用户类型，根据预设属性值和预设时段内属于第一用户类型的用户数量，确定该用户账号对应的用户的生命价值周期LTV；
若该用户类型为该第二用户类型，将该用户账号对应的行为数据输入到训练好的预测模型，得到第二类用户的LTV，该预测模型是基于属于第二用户类型的历史行为数据以及第二用户类型用户账号对应的用户生命价值周期训练得到。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取用户账号对应的行为数据之后还包括：用户账号对应的行为数据包括用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息；获取用户账号对应的行为数据，包括：获取用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息；获取用户账号对应的行为数据之后还包括：对用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息进行预处理，得到预处理后的用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息；将用户账号对应的行为数据输入训练好的分类模型，得到用户账号对应的用户类型，包括：将预处理后的用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息输入训练好的分类模型，得到用户账号对应的用户类型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息进行预处理，得到预处理后的用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息，包括：将该用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息按照数值型和非数值型进行分类，得到数值型的行为数据和非数值型的行为数据；将该非数值型的行为数据进行特征编码，得到编码后的非数值型的行为数据；将该数值型的用户账号的行为数据和编码后的非数值型的用户账号的行为数据进行合并，得到预处理后的用户账号的行为数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：该分类模型的训练过程包括：将属于第一用户类型的样本用户账号及对应的历史行为数据作为负样本，以及将属于第二用户类型的样本用户账号及对应的历史行为数据作为正样本；根据该正样本和负样本对初始分类模型进行训练，得到训练好的分类模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：预测模型的训练过程包括：获取训练样本，该训练样本包括属于第二用户类型的样本用户账号对应的历史行为数据及该样本用户账号对应的用户生命价值周期，均方根误差作为损失函数，得到训练好的预测模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：若用户类型为第二用户类型，将用户账号对应的行为数据输入到训练好的预测模型，得到第二类用户的LTV，还包括：若用户类型为第二用户类型，将用户账号对应的行为数据输入预设预测函数进行拟合，得到第二类用户的LTV。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据预设属性值和预设时段内属于第一用户类型的用户数量，确定该用户账号对应的用户的生命价值周期LTV，包括：根据预设属性值和预设时段内属于第一用户类型的用户数量相乘，得到该用户账号对应的用户的生命价值周期LTV。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种用户生命价值周期检测方法，其特征在于，所述方法包括：
获取用户账号对应的行为数据；
将所述用户账号对应的行为数据输入训练好的分类模型，得到所述用户账号对应的用户类型；所述分类模型是基于第一用户类型的历史行为数据和第二用户类型的历史行为数据训练得到，其中，不同用户类型的用户生命价值周期LTV的检测方式不同，所述分类模型的训练过程包括：将属于第一用户类型的样本用户账号及对应的历史行为数据作为负样本，以及将属于第二用户类型的样本用户账号及对应的历史行为数据作为正样本；根据所述正样本和负样本对初始分类模型进行训练，得到训练好的分类模型；
若所述用户类型为所述第一用户类型，根据预设属性值和预设时段内属于第一用户类型的用户数量相乘，得到所述用户账号对应的用户的生命价值周期LTV，其中，预设属性值为预设时间段内第一用户类型的平均付费值；
若所述用户类型为所述第二用户类型，将所述用户账号对应的行为数据输入到训练好的预测模型，得到第二类用户的LTV，所述预测模型是基于属于第二用户类型的历史行为数据以及第二用户类型用户账号对应的用户生命价值周期训练得到，其中，所述预测模型的训练过程包括：获取训练样本，所述训练样本包括属于第二用户类型的样本用户账号对应的历史行为数据及所述样本用户账号对应的用户生命价值周期，均方根误差作为损失函数，得到训练好的预测模型。
2.根据权利要求1所述的方法，其特征在于，所述用户账号对应的行为数据包括用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息；
所述获取用户账号对应的行为数据，包括：
获取用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息；
所述获取用户账号对应的行为数据之后还包括：
对所述用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息进行预处理，得到预处理后的用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息；
所述将所述用户账号对应的行为数据输入训练好的分类模型，得到所述用户账号对应的用户类型，包括：
将所述预处理后的用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息输入训练好的分类模型，得到所述用户账号对应的用户类型。
3.根据权利要求2所述的方法，其特征在于，所述对所述用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息进行预处理，得到预处理后的用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息，包括：
将所述用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息按照数值型和非数值型进行分类，得到数值型的行为数据和非数值型的行为数据；
将所述非数值型的行为数据进行特征编码，得到编码后的非数值型的行为数据；
将所述数值型的用户账号的行为数据和编码后的非数值型的用户账号的行为数据进行合并，得到预处理后的用户账号的行为数据。
4.根据权利要求1所述的方法，其特征在于，所述若所述用户类型为所述第二用户类型，将所述用户账号对应的行为数据输入到训练好的预测模型，得到第二类用户的LTV，还包括：
若所述用户类型为所述第二用户类型，将所述用户账号对应的行为数据输入预设预测函数进行拟合，得到第二类用户的LTV。
5.根据权利要求1所述的方法，其特征在于，所述第一用户类型为非付费用户，所述第二用户类型为付费用户。
6.根据权利要求2所述的方法，其特征在于，所述基本信息为用户的国家、性别、年龄，所述付费信息为用户在应用场景中操作对象时的支付金额、通过付费得到的礼包数量付费相关的信息，所述社交信息为用户的好友数量、用户在应用场景中与好友或者应用场景中的公会中的其他用户的互动信息，游戏行为信息为在应用场景中对服务对象进行的操作，所述游戏行为信息及其对应的游戏信息是指上线之后积分增加、游戏中攻击成功后获得金币、在视频播放中观看付费视频积分增加产生的相关的信息。
7.一种用户生命价值周期预测装置，其特征在于，所述装置包括：
获取模块，用于获取用户账号对应的行为数据；
分类模块，用于将所述用户账号的行为数据输入训练好的分类模型，得到所述用户账号对应的用户类型；所述分类模型是基于第一用户类型的历史行为数据和第二用户类型的历史行为数据训练得到，其中，不同用户类型的用户生命价值周期LTV的检测方式不同，所述分类模型的训练过程包括：将属于第一用户类型的样本用户账号及对应的历史行为数据作为负样本，以及将属于第二用户类型的样本用户账号及对应的历史行为数据作为正样本；根据所述正样本和负样本对初始分类模型进行训练，得到训练好的分类模型；
第一确定模块，用于若所述用户类型为所述第一用户类型，根据预设属性值和预设时段内属于第一用户类型的用户数量相乘，得到所述用户账号对应的用户的生命价值周期LTV，其中，预设属性值为预设时间段内第一用户类型的平均付费值；
第二确定模块，用于若所述用户类型为所述第二用户类型，将所述用户账号对应的行为数据输入到训练好的预测模型，得到第二类用户的LTV，所述预测模型是基于属于第二用户类型的历史行为数据以及第二用户类型用户账号对应的用户生命价值周期训练得到，其中，所述预测模型的训练过程包括：获取训练样本，所述训练样本包括属于第二用户类型的样本用户账号对应的历史行为数据及所述样本用户账号对应的用户生命价值周期，均方根误差作为损失函数，得到训练好的预测模型。
8.根据权利要求7所述的装置，其特征在于，所述获取模块还用于：
获取用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息；
对所述用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息进行预处理，得到预处理后的用户账号的基本信息、付费信息、社交信息、游戏行为信息及其对应的游戏信息。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011188855.3A CN112258238A (zh) | 2020-10-30 | 2020-10-30 | 用户生命价值周期检测方法、装置和计算机设备 |
| CN2020111888553 | 2020-10-30 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113538070A CN113538070A (zh) | 2021-10-22 |
| CN113538070B true CN113538070B (zh) | 2023-12-26 |
Family
ID=74268257
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011188855.3A Withdrawn CN112258238A (zh) | 2020-10-30 | 2020-10-30 | 用户生命价值周期检测方法、装置和计算机设备 |
| CN202110993108.5A Active CN113538070B (zh) | 2020-10-30 | 2021-08-25 | 用户生命价值周期检测方法、装置和计算机设备 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011188855.3A Withdrawn CN112258238A (zh) | 2020-10-30 | 2020-10-30 | 用户生命价值周期检测方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN112258238A (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113052383A (zh) * | 2021-03-29 | 2021-06-29 | 上海酷量信息技术有限公司 | 一种基于机器学习的收入预测方法及装置 |
| CN113743991A (zh) * | 2021-09-03 | 2021-12-03 | 上海幻电信息科技有限公司 | 生命周期价值预测方法及装置 |
| CN115938590B (zh) * | 2023-02-09 | 2023-05-02 | 四川大学华西医院 | 结直肠癌术后lars预测模型的构建方法及预测系统 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108009926A (zh) * | 2017-12-07 | 2018-05-08 | 上海点融信息科技有限责任公司 | 用于用户分类的方法、信息处理装置及可读存储介质 |
| CN108109063A (zh) * | 2017-12-07 | 2018-06-01 | 上海点融信息科技有限责任公司 | 用于预测标签预测值的方法、装置和计算机可读存储介质 |
| CN109325640A (zh) * | 2018-12-07 | 2019-02-12 | 中山大学 | 用户价值预测方法、装置、存储介质及设备 |
| CN109409963A (zh) * | 2018-11-12 | 2019-03-01 | 平安科技（深圳）有限公司 | 客户生命周期的预测方法及装置、存储介质、计算机设备 |
| CN109711859A (zh) * | 2018-11-12 | 2019-05-03 | 平安科技（深圳）有限公司 | 客户终生价值的预测方法及装置、存储介质、计算机设备 |
| CN110414547A (zh) * | 2019-05-07 | 2019-11-05 | 腾讯科技（深圳）有限公司 | 一种行为检测方法、装置、计算机设备和存储介质 |
| CN110415036A (zh) * | 2019-07-30 | 2019-11-05 | 深圳市珍爱捷云信息技术有限公司 | 用户等级的确定方法、装置、计算机设备和存储介质 |
| CN110991875A (zh) * | 2019-11-29 | 2020-04-10 | 广州市百果园信息技术有限公司 | 一种平台用户质量评估系统 |
| CN111311338A (zh) * | 2020-03-30 | 2020-06-19 | 网易（杭州）网络有限公司 | 用户价值的预测方法以及用户价值预测模型的训练方法 |
| CN111298445A (zh) * | 2020-02-07 | 2020-06-19 | 腾讯科技（深圳）有限公司 | 目标账号检测方法、装置、电子设备及存储介质 |
| CN111353800A (zh) * | 2018-12-20 | 2020-06-30 | 北京嘀嘀无限科技发展有限公司 | 一种用户未来价值预测方法、系统、装置及存储介质 |
| CN111680382A (zh) * | 2019-02-25 | 2020-09-18 | 北京嘀嘀无限科技发展有限公司 | 等级预测模型训练方法、等级预测方法、装置及电子设备 |
| CN111695719A (zh) * | 2020-04-20 | 2020-09-22 | 清华大学 | 一种用户价值预测方法及系统 |
| CN111773732A (zh) * | 2020-09-04 | 2020-10-16 | 完美世界(北京)软件科技发展有限公司 | 目标游戏用户的检测方法、装置及设备 |
| CN113743991A (zh) * | 2021-09-03 | 2021-12-03 | 上海幻电信息科技有限公司 | 生命周期价值预测方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150235239A1 (en) * | 2014-02-19 | 2015-08-20 | International Business Machines Corporation | Predicting demand of a newly introduced short lifecycle product within an assortment |
| US10832260B2 (en) * | 2017-01-27 | 2020-11-10 | Walmart Apollo Lllc | Systems and methods for determining customer lifetime value |
-
2020
- 2020-10-30 CN CN202011188855.3A patent/CN112258238A/zh not_active Withdrawn
-
2021
- 2021-08-25 CN CN202110993108.5A patent/CN113538070B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108109063A (zh) * | 2017-12-07 | 2018-06-01 | 上海点融信息科技有限责任公司 | 用于预测标签预测值的方法、装置和计算机可读存储介质 |
| CN108009926A (zh) * | 2017-12-07 | 2018-05-08 | 上海点融信息科技有限责任公司 | 用于用户分类的方法、信息处理装置及可读存储介质 |
| CN109409963A (zh) * | 2018-11-12 | 2019-03-01 | 平安科技（深圳）有限公司 | 客户生命周期的预测方法及装置、存储介质、计算机设备 |
| CN109711859A (zh) * | 2018-11-12 | 2019-05-03 | 平安科技（深圳）有限公司 | 客户终生价值的预测方法及装置、存储介质、计算机设备 |
| CN109325640A (zh) * | 2018-12-07 | 2019-02-12 | 中山大学 | 用户价值预测方法、装置、存储介质及设备 |
| CN111353800A (zh) * | 2018-12-20 | 2020-06-30 | 北京嘀嘀无限科技发展有限公司 | 一种用户未来价值预测方法、系统、装置及存储介质 |
| CN111680382A (zh) * | 2019-02-25 | 2020-09-18 | 北京嘀嘀无限科技发展有限公司 | 等级预测模型训练方法、等级预测方法、装置及电子设备 |
| CN110414547A (zh) * | 2019-05-07 | 2019-11-05 | 腾讯科技（深圳）有限公司 | 一种行为检测方法、装置、计算机设备和存储介质 |
| CN110415036A (zh) * | 2019-07-30 | 2019-11-05 | 深圳市珍爱捷云信息技术有限公司 | 用户等级的确定方法、装置、计算机设备和存储介质 |
| CN110991875A (zh) * | 2019-11-29 | 2020-04-10 | 广州市百果园信息技术有限公司 | 一种平台用户质量评估系统 |
| CN111298445A (zh) * | 2020-02-07 | 2020-06-19 | 腾讯科技（深圳）有限公司 | 目标账号检测方法、装置、电子设备及存储介质 |
| CN111311338A (zh) * | 2020-03-30 | 2020-06-19 | 网易（杭州）网络有限公司 | 用户价值的预测方法以及用户价值预测模型的训练方法 |
| CN111695719A (zh) * | 2020-04-20 | 2020-09-22 | 清华大学 | 一种用户价值预测方法及系统 |
| CN111773732A (zh) * | 2020-09-04 | 2020-10-16 | 完美世界(北京)软件科技发展有限公司 | 目标游戏用户的检测方法、装置及设备 |
| CN113743991A (zh) * | 2021-09-03 | 2021-12-03 | 上海幻电信息科技有限公司 | 生命周期价值预测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 信息生态理论视角下移动社交媒体使用行为生命周期画像研究;蓝娅萍;;情报探索(第12期);全文 * |
| 基于Pareto/NBD的用户价值预测模型研究;李征仁;《北京邮电大学学报(社会科学版)》;第22卷(第3期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112258238A (zh) | 2021-01-22 |
| CN113538070A (zh) | 2021-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10958748B2 (en) | Resource push method and apparatus | |
| CN113538070B (zh) | 用户生命价值周期检测方法、装置和计算机设备 | |
| US9348898B2 (en) | Recommendation system with dual collaborative filter usage matrix | |
| CN109614414B (zh) | 一种用户信息的确定方法及装置 | |
| CN112995414B (zh) | 基于语音通话的行为质检方法、装置、设备及存储介质 | |
| CN112883227B (zh) | 一种基于多尺度时序特征的视频摘要生成方法和装置 | |
| CN114223012A (zh) | 推送对象确定方法、装置、终端设备及存储介质 | |
| CN116542673B (zh) | 应用于机器学习的欺诈行为识别方法及系统 | |
| CN117035980A (zh) | 资源借调评估方法、装置、计算机设备和存储介质 | |
| CN110929285A (zh) | 一种隐私数据的处理方法及装置 | |
| CN113850416A (zh) | 广告推广合作对象确定方法和装置 | |
| CN112529699A (zh) | 企业授信模型的构建方法、装置、设备及可读存储介质 | |
| CN113780318A (zh) | 用于生成提示信息的方法、装置、服务器和介质 | |
| CN111309766B (zh) | 业务特征构造方法以及装置 | |
| CN115689648B (zh) | 应用于定向投放的用户信息处理方法及系统 | |
| CN117172632B (zh) | 一种企业异常行为检测方法、装置、设备及存储介质 | |
| CN116756426A (zh) | 项目推荐方法、装置、计算机设备和存储介质 | |
| CN117876021A (zh) | 基于人工智能的数据预测方法、装置、设备及存储介质 | |
| CN117853217A (zh) | 数据隐私保护的金融违约率预测方法、装置以及设备 | |
| CN117853247A (zh) | 基于人工智能的产品推荐方法、装置、设备及存储介质 | |
| CN115618288A (zh) | 等级确定方法、装置、设备、存储介质和程序产品 | |
| CN115775393A (zh) | 对象识别方法、装置、计算机设备和存储介质 | |
| CN117472431A (zh) | 代码注释生成方法、装置、计算机设备、存储介质和产品 | |
| CN115794879A (zh) | 模型筛选方法、装置、计算机设备和存储介质 | |
| CN115640461A (zh) | 一种产品的推荐方法、装置、电子设备及其存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |